基于邊界向量預(yù)選的支持向量機算法研究.pdf

1、支持向量機是一種基于統(tǒng)計學(xué)習(xí)理論的新一代機器學(xué)習(xí)技術(shù)，已廣泛應(yīng)用于手寫數(shù)字識別、人臉識別、文本分類、回歸預(yù)測、時間序列分析等領(lǐng)域。支持向量機的計算復(fù)雜度取決于訓(xùn)練樣本的個數(shù)，所以面對具有大數(shù)據(jù)量的現(xiàn)實問題時，支持向量機的訓(xùn)練效率低下。 根據(jù)支持向量機理論，訓(xùn)練出的最優(yōu)分類超平面只與支持向量有關(guān)。大部分情況下訓(xùn)練樣本中的支持向量很少，所以在訓(xùn)練前確定一個小范圍的邊界向量集，使其包括全部的支持向量，用此邊界向量集進行訓(xùn)練，則可以在不

2、影響分類精度和泛化性能的前提下顯著縮短支持向量機的訓(xùn)練時間。本文在研究總結(jié)了邊界向量預(yù)選算法的基礎(chǔ)上，將其大致歸納為兩類，一類是基于類中心型的邊界向量預(yù)選算法，一類是基于NN型的邊界向量預(yù)選算法。并針對基于類中心型的預(yù)選算法只對均勻分布的訓(xùn)練樣本預(yù)選效果好的缺點，利用數(shù)學(xué)建模的方法提出一種新的改進算法；針對基于NN型的預(yù)選算法預(yù)選邊界向量集過大或過小的缺點，利用密度聚類的方法進行算法改進。實驗表明在不降低泛化精度的前提下，能有效提高邊界